Stacking Ensemble Models for Predicting Digital Payment Adoption: A Comprehensive Machine Learning Analysis of Global Findex 2025 Data

Stel je de wereldeconomie voor als een enorme, bruisende marktplaats waar iedereen probeert te handelen, te sparen en dingen te kopen. Lange tijd was deze marktplaats vooral fysiek—je moest naar een bank lopen, contant geld meenemen of een cheque schrijven. Maar onlangs is er een magisch nieuw hulpmiddel verschenen: digitale betalingen. Dit zijn als onzichtbare munten die via smartphones en computers door de lucht zoeven, waardoor mensen voor dingen kunnen betalen zonder ooit papiergeld aan te raken. Deze verschuiving is een grote zaak omdat het mensen helpt die voorheen werden buitengesloten van de markt—zoals die in afgelegen dorpen of zonder veel geld—om eindelijk deel te nemen aan het feestje. Dit wordt "financiële inclusie" genoemd, en het is de sleutel om iedereen te helpen een beter leven op te bouwen.

Maar hier komt het lastige deel bij: niet iedereen gebruikt deze digitale munten al. Sommige mensen springen er met beide benen in, terwijl anderen aan de zijlijn staan, verward of bang. Wetenschappers en economen proberen precies uit te vogelen waarom sommige mensen deze nieuwe hulpmiddelen wel adopteren en anderen niet. Ze kijken naar aanwijzingen zoals hoeveel geld iemand verdient, hoe oud ze zijn en of ze een smartphone hebben. Traditioneel gebruikten ze eenvoudige wiskunde om het antwoord te raden, maar de wereld is rommelig en ingewikkeld. Soms werken de aanwijzingen op vreemde manieren samen—zoals het feit dat het hebben van een smartphone niet helpt als je niet weet hoe je het moet gebruiken, of dat het hebben van geld niet helpt als je het internet niet vertrouwt. Om dit puzzel op te lossen, gebruiken onderzoekers nu "machine learning", wat lijkt op het trainen van een super-slimme robot om tegelijkertijd naar miljoenen aanwijzingen te kijken en patronen te vinden die het menselijk brein misschien mist.

In dit onderzoek besloten een team van onderzoekers een super-slimme robotdetective te bouwen om het mysterie van de adoptie van digitale betalingen op te lossen. Ze vroegen niet slechts één robot; ze bouwden een heel team van hen, elk met een andere manier van denken, en leerden hen vervolgens om samen te werken. Ze gebruikten een enorme dataset genaamd "Global Findex 2025", wat een soort gigantisch fotoalbum is met informatie over 140.90- volwassenen uit 141 verschillende landen. Na het opschonen van de rommelige delen van de data, hadden ze een helder beeld van 102.954 mensen om te bestuderen.

De onderzoekers begonnen door hun robotteam een lijst van 183 verschillende aanwijzingen (variabelen) te geven om naar te kijken, zoals opleidingsniveau, internettoegang en inkomstenbronnen. Om de taak gemakkelijker te maken, gebruikten ze een slim filter om de 66 belangrijkste aanwijzingen eruit te pikken en combineerden ze sommige van hen tot nieuwe, "super-aanwijzingen". Zo creëerden ze bijvoorbeeld een "super-aanwijzing" die het opleidingsniveau van een persoon vermenigvuldigde met hun internetgebruik, omdat het team vermoedde dat het hebben van beide samen veel krachtiger was dan het hebben van slechts één van beide. Ze maakten ook nieuwe aanwijzingen over hoeveel verschillende manieren een persoon geld verdient en hoe "financieel ingesteld" zij zijn (zoals of ze geld sparen of een creditcard hebben).

Vervolgens trainden de onderzoekers drie verschillende soorten "basis"-robots met geavanceerde algoritmen genaend XGBoost, LightGBM en CatBoost. Denk aan deze als drie verschillende detectives: één is geweldig in het spotten van kleine details, een andere is snel in het verwerken van enorme hoeveelheden informatie, en de derde is uitstekend in het afhandelen van rommelige, categorische gegevens. Ze lieten deze robots niet gewoon gokken; ze gebruikten een speciaal hulpmiddel genaamd Optuna om hun instellingen te verfijnen, zoals het aanpassen van de focus van een cameralens, om ervoor te zorgen dat ze zo scherp mogelijk waren.

Maar de echte magie gebeurde toen ze besloten deze robots in een "stacking"-team te plaatsen. In plaats van één robot de uiteindelijke beslissing te laten nemen, lieten ze de drie basisrobots eerst hun vermoedens doen. Vervolgens voedden ze die vermoedens aan een "meta-learner" robot (in dit geval een ExtraTrees classifier) wiens enige taak het was om naar de drie basisrobots te luisteren en te beslissen wie er gelijk had. Het is alsof je drie experts hebt die hun mening geven, en een wijze rechter vervolgens naar hen allemaal luistert om het definitieve oordeel te vellen. De onderzoekers testten dit team tegen andere methoden, zoals het simpelweg vragen aan één robot of het laten stemmen van de robots bij meerderheid.

De resultaten waren indrukwekkend. Het "stacking"-team, specif으로 de combinatie van LightGBM en XGBoost als de basisdetectives met de ExtraTrees-robot als de rechter, had het 93,04% van de tijd goed. Dit was de beste score die ze konden vinden, waarmee ze de individuele robots en andere teamcombinaties versloegen. De onderzoekers gebruikten ook een hulpmiddel genaamd SHAP om in de hersenen van de robot te gluren en te zien waarom hij zijn beslissingen nam. Ze ontdekten dat de robot zwaar werd beïnvloed door drie hoofdfactoren: hoeveel opleiding iemand had, of iemand toegang had tot het internet, en hoeveel geld iemand verdiende. Interessant genoeg leerde de robot dat onderwijs en internettoegang het beste werken wanneer ze samen voorkomen; het hebben van de één zonder de ander was niet zo nuttig.

De studie toonde ook aan dat hoewel het verfijnen van de robots (hyperparameter optimalisatie) een beetje hielp, het echte geheime ingrediënt de teamstructuur zelf was. De "stacking"-aanpak maakte de voorspellingen veel stabieler en nauwkeuriger dan welke enkele robot alleen zou kunnen bereiken. De onderzoekers merkten echter op dat hun robot nog steeds een beetje moeite had met het voorspellen van het gedrag van lage inkomensgroepen en de rurale bevolking. Dit suggereert dat er voor deze groepen nog steeds verborgen barrières zijn—zoals een gebrek aan vertrouwen, angst voor veiligheid of trage internetsnelheden—die de robot niet volledig kon verklaren met alleen de beschikbare data.

Uiteindelijk laat dit artikel zien dat door het gebruik van een team van slimme, gespecialiseerde machine learning-modellen die samenwerken, we de adoptie van digitale betalingen met zeer hoge nauwkeurigheid kunnen voorspellen. Het bevestigt dat onderwijs en internettoegang de gouden sleutels zijn om financiële inclusie te ontsluiten, maar het waarschuwt ons ook dat het bouwen van de infrastructuur alleen niet genoeg is; we moeten ervoor zorgen dat mensen ook de vaardigheden en het vertrouwen hebben om het te gebruiken. De onderzoekers suggereren dat toekomstige studies moeten kijken naar hoe deze gedragingen in de loop van de tijd veranderen en grotere economische factoren moeten opnemen, maar voor nu geeft dit "gestapelde" team van robots ons het meest heldere beeld tot nu toe van hoe de digitale geldrevolutie zich over de wereld verspreidt.